Streamlit 应用在运行时，每次用户交互都会触发整个脚本的重新执行。

这意味着一些耗时操作，如数据加载、复杂计算和模型训练等，可能会被重复执行，严重影响应用响应速度。

本文介绍的缓存机制 能够帮助我们解决这些问题，提高Streamlit 应用的性能。

而Streamlit的缓存机制 就像是给应用配备了一个**"记忆助手"**，它允许开发者将特定函数的计算结果保存下来，当下次相同输入再次调用该函数时，无需重新执行函数，直接返回缓存结果，极大地提高了应用运行效率，减少等待时间。

1. 为什么需要缓存

Streamlit的机制是每次用户交互或代码更改时都会重新运行脚本，这样就导致了：

重复计算：长时间运行的函数可能会被多次调用，导致应用响应变慢
资源浪费：频繁加载和处理大量数据会消耗大量内存和计算资源
用户体验差：应用加载时间过长，影响用户交互体验

为了解决这些问题，Streamlit提供了缓存机制。

缓存机制 就像是给应用配备了一个**"记忆助手"**，它允许开发者将特定函数的计算结果保存下来，当下次相同输入再次调用该函数时，无需重新执行函数，直接返回缓存结果。

通过缓存函数的输出结果，避免重复计算，能够显著提高应用的性能和响应速度。

2. 两种缓存装饰器

Streamlit提供了两种缓存装饰器：st.cache_data和st.cache_resource，它们的主要区别在于缓存的对象类型和使用场景。

2.1. st.cache_data

st.cache_data是用于缓存数据的装饰器。

适用于缓存函数的输出结果，特别是那些返回可序列化数据对象的函数（如 Pandas DataFrame、NumPy 数组、字符串、整数等）。

它的主要参数有：

ttl：缓存的生存时间（以秒为单位）。超过该时间后，缓存将失效并重新计算。
max_entries：缓存中允许的最大条目数。超出该数量时，最旧的缓存条目将被删除。
persist：是否将缓存持久化到磁盘上。默认为False。
show_spinner：是否显示加载动画。默认为True。
allow_output_mutation：是否允许返回值被修改。默认为False，建议谨慎使用。

2.2. st.cache_resource

st.cache_resource是用于缓存资源的装饰器。

适用于缓存那些需要初始化但不需要频繁重新计算的对象，如数据库连接、模型加载等。

它的主要参数有：

ttl和max_entries：与st.cache_data相同。
show_spinner：是否显示加载动画。默认为True。
allow_output_mutation：是否允许返回值被修改。默认为False。

2.3. 两者区别总结

	st.cache_data	st.cache_resource
使用场景	适用于缓存函数的输出结果，特别是那些返回可序列化数据对象的函数	适用于缓存那些需要初始化但不需要频繁重新计算的对象，如数据库连接、模型加载等
特点	缓存的是函数的输出结果，适合频繁调用且输出结果可能变化的场景	缓存的是资源对象本身，适合初始化耗时但不需要频繁更新的场景
缓存内容示例	从 API 获取数据、加载 CSV 文件、数据处理等	加载预训练模型、建立数据库连接等

3. 缓存使用示例

下面通过示例来演示这两种缓存装饰器的使用。

3.1. st.cache_data示例

假设我们有一个应用，需要从API获取数据并展示给用户。

由于数据加载可能需要较长时间，我们可以使用st.cache_data来缓存结果。

python 复制代码

import streamlit as st
import requests
import pandas as pd

# 使用 st.cache_data 缓存数据加载
@st.cache_data(ttl=3600)  # 缓存 1 小时
def fetch_data(api_url):
    response = requests.get(api_url)
    data = response.json()
    df = pd.DataFrame(data)
    return df

# 用户界面部分
st.title("使用 st.cache_data 缓存数据加载")
api_url = "https://jsonplaceholder.typicode.com/posts"
df = fetch_data(api_url)
st.write(df)

在这个例子中，fetch_data函数被@st.cache_data装饰器修饰。

第一次调用时，数据会被加载并缓存，后续调用时直接从缓存中读取，避免重复请求 API，

直至1小时后，缓存失效之后才能重新请求。

3.2. st.cache_resource示例

假设我们有一个机器学习应用，需要加载一个预训练的模型。

由于模型加载可能需要较长时间，我们可以使用st.cache_resource来缓存模型对象。

python 复制代码

import streamlit as st
import joblib

# 使用 st.cache_resource 缓存模型加载
@st.cache_resource
def load_model(model_path):
    model = joblib.load(model_path)
    return model

# 用户界面部分
st.title("使用 st.cache_resource 缓存模型加载")
model_path = "path/to/your/model.pkl"
model = load_model(model_path)
st.write("模型已加载，可以进行预测！")

在这个例子中，load_model函数被@st.cache_resource装饰器修饰。

模型加载后会被缓存，后续调用时直接从缓存中读取，避免重复加载。

4. 总结

Streamlit的缓存机制通过st.cache_data和st.cache_resource提供了强大的性能优化功能。

它们可以帮助开发者减少重复计算、节省资源，并显著提高应用的响应速度。

在实际开发中，开发者可以根据需求选择合适的缓存装饰器：

如果需要缓存函数的输出结果，使用st.cache_data
如果需要缓存初始化的资源对象，使用st.cache_resource

合理使用缓存机制，可以让 Streamlit 应用更加高效和流畅，提升用户体验。

『玩转Streamlit』--缓存机制